libsvm中grid.py输出的含义

Question

我是SVM的新手，对libsvm中的工具有几个问题。

有tools / grid.py工具/ README解释为“使用47 RBF（径向基函数）内核进行C-SVM分类的参数选择工具”。

我有2个关于此工具的问题。

1. 这个工具的作用是：给定标签/ feature_parameters，通过执行网格搜索选择最“有效”和“最小”的feature_parameters。我是对的吗？

e.g。给定如下的数据集，其标签仅依赖于param1，

label, param1, param2, param3
0    , 0     , 61    , 2     
0    , 0     , 92    , 6
1    , 1     , 10    , 32
1    , 1     , 83    , 10

如果我们将grid.py应用于此数据集，它是否告诉我大多数“高效”（以它精确识别测试数据类的方式）和“最小”（以这种方式只有那么重要）参数包括在内）参数是param1。

1. 如果上述问题的答案为是，我怎么知道哪些参数有效且最小？我看到一些输出文件，但对我来说没有意义。如果不是，是否有任何事实上的标准方法来做我想要的事情？

Answer 1

[...]给定标签/ feature_parameters，选择最“有效”和“最小”的feature_parameters [...]

否即可。 Grid.py是一种工具，可以在给定特征向量集上搜索最佳训练参数。这些参数c，g随后用于训练。不要混淆训练工具的数据（称为特征向量）和参数。您实际上将表中的功能命名为“params”，这会产生误导。

[...]数据集如下，其标签仅依赖于param1 [...] 。

否即可。当然，与第一个特征（名称为param1）完全相关。但是第三个特征（名为param3）也有很好的相关性。 SVM将使用所有输入功能。只有恒定的功能才能保证无用。它们在缩放/训练中被省略。

如果我们将grid.py应用于此数据集，它是否告诉我大多数“高效”（以精确识别测试数据类的方式）和“最小”（仅限于此方式）没有包含普通参数）参数是param1。

否即可。你所说的是feature selection/reduction。

Answer 2

可能找到了答案。

---

问题1.这个工具的作用是：给定标签/ feature_parameters，选择最多＆＃34;高效＆＃34;和＆＃34;最低＆＃34; feature_parameters通过执行网格搜索。我是对的吗？

答案是否定的。 grid.py执行grid search并估算最佳cost和gamma值。因此，它有助于使SVM＆＃34;高效＆＃34;无论如何，但不是没有帮助找到最小的功能集（好吧，没有＆＃34;绝对最小值＆＃34;可能，因为准确性和功能的数量可能是成比例的）。

问题2.如果上述问题的答案为是，我怎么知道哪些参数有效且最小？我看到一些输出文件，但对我来说没有意义。如果它不是，是否有任何事实上的标准方法来做我想要的事情？

可能没有任何事实上的标准方法。也许在决定特征参数时，我们首先应该从领域的角度出发，然后用数学方法进行调整。 （例如，如果您正在制作SVM以破坏恶意软件和良性应用程序，您应该考虑恶意软件的行为和趋势，并决定参数候选者＆＃34;首先，然后应用数学方法，如计算平均值和每个特征的偏差。）